Artigos

Tire duas dúvidas com o especialista no assunto Dr. Daphnis Citti de Lauro

lime 예제

라임은 knn 모델 예제에서 좋은 대안을 제공했지만, LIME은 불행히도 항상 하루를 절약 할 수 없습니다. 모든 모델에서 즉시 작동하지 않습니다. 예를 들어 라임은 xgb를 사용하기 위해 XGBoost의 요구 사항을 처리할 수 없습니다. 입력 데이터에 대한 DMatrix()입니다. XGBoost 모델로 LIME을 호출하려면 아래를 참조하십시오. 자신의 예측 함수를 만드는 것을 포함하여 이 모델에서 LIME을 작동시킬 수 있는 잠재적인 해킹이 있지만 요점은 LIME이 XGBoost 라이브러리에서 자동으로 작동하지 않는다는 것입니다. 예를 들어, 맨해튼 거리 알고리즘을 사용하도록 거리 함수를 변경하고 커널 너비를 크게 늘려 더 큰 로컬 영역을 만들고 기능 선택 접근 방식을 LARS 올가미 모델로 변경합니다. 그 결과 우리의 설명이 상당히 증가합니다. 라임은 GBT의 Scikit 학습 구현에서 작동합니다.

라임의 출력은 그 기능이 영향을 미치게하는 기능 값의 범위를 지정하기 때문에 SHAP보다 조금 더 자세하게 제공합니다. 예를 들어 PTRATIO가 이 예측 주택 가격에 긍정적인 영향을 미쳤다는 것을 알고 있습니다. SHAP는 이 정보를 제공하지 않습니다. 그러나 LIME의 기능 중요성은 SHAP의 중요도와 다릅니다. SHAP는 보다 견고한 이론적 기반을 가지고 있기 때문에 (이 블로그의 1 부 참조), 대부분의 사람들은 LIME과 SHAP가 동의하지 않는 경우 특히 나무와 선형 SHAP 설명자와 함께 SHAP를 신뢰하는 경향이 있습니다. 아래 코드는 SHAP 및 LIME의 예를 안내하기 위해 만든 Jupyter 노트북의 하위 집합입니다. 노트북은 Domino의 평가판 사이트에서 호스팅됩니다. Domino에서 무료로 제공하는 모든 필수 종속성이 이미 설치된 환경에서 노트북을 보거나 다운로드하거나 실행하려면 여기를 클릭하십시오. 로그인하려면 무료 계정을 설정해야 합니다.

시작하기 전에 라임을 설치해야 합니다. 최근에는 모델 해석성에 대한 새로운 초점이 다시 나타났습니다. ML 전문가는 비즈니스에 의한 후속 적응에서 모델 해석의 중요성을 이해할 수 있습니다. 모델 설명성의 문제는 사람이 이해할 수 있는 방식으로 모델의 의사 결정 경계를 정의하기가 매우 어렵다는 것입니다. 라임은 현지에서 충실한 설명을 만들어 모델 해석을 위해 해결하려고 시도하는 파이썬 라이브러리입니다.